Šešios įmonės, šeši skirtingi DI pokalbių robotai, šešios labai skirtingos istorijos apie tai, kas iš tiesų nutiko po paleidimo.
Jei jau skaitėte mūsų DI pokalbių roboto pirkimo vadovą , jau žinote, kad tinkamas pokalbių robotas priklauso nuo jūsų naudojimo atvejo, jūsų kanalų ir jūsų biudžeto. To, ko negausite iš vadovo, yra supratimas, kas nutinka, kai įrankis iš tikrųjų pradedamas naudoti. Būtent tam ir skirtas šis straipsnis. Penki iš toliau pateiktų atvejų yra pavadinti, vieši kitų įmonių diegimai, tad galite patys perskaityti originalų šaltinį, jei norite sužinoti visą istoriją. Šeštasis – pačios „LiveAgent“ atvejo analizė su „M4Markets“, įtraukta tam, kad pamatytumėte, kaip pirmosios šalies rezultatas atrodo greta kitų.
Verta iš karto paminėti: dauguma šių skaičių yra pačių įmonių arba jų naudoto DI pardavėjų pateikti. Tai nereiškia, kad jie išgalvoti, tačiau jie artimesni geriausių momentų rinkiniui nei eilinei dienai. Prie to grįšime pagrindinėse įžvalgose.
Dar vienas dalykas prieš pradedant: dauguma toliau aprašytų diegimų buvo sukurti įmonių platformose, pritaikytose vienam konkrečiam naudojimo atvejui. Jei esate mažesnė komanda, kuri nori tokio pat siauros apimties metodo be individualaus sukūrimo, „LiveAgent“ DI pokalbių robotas veikia ta pačia pagrindine idėja – traukia realius bilietų ir užsakymų duomenis, o ne tiesiog atkartoja scenarijų. Jei verčiau pirmiausia palygintumėte pardavėjus greta, mūsų apžvalga apie geriausius DI pokalbių robotus jūsų verslui 2026 metais yra gera vieta pradėti.
1 atvejis: El. prekyba, „Klarna“ pokalbių robotas ir 40% mažesnės aptarnavimo išlaidos
Įmonė: „Klarna“, pirk-šiandien-mokėk-vėliau ir internetinių atsiskaitymų paslaugų teikėja, yra vienas plačiausiai dokumentuotų įmonių pokalbių robotų diegimų iki šiol.
Ką jie įdiegė: DI asistentą, sukurtą tvarkyti klientų aptarnavimo pokalbius „Klarna“ pirkinių ir mokėjimų platformoje, apimantį didžiąją dalį įprastinių klausimų be žmogaus įsikišimo.
Ką jie išmatavo: Pokalbių robotas tvarkė maždaug du trečdalius visų klientų aptarnavimo pokalbių, apimdamas apie 2,3 mln. atvejų per mėnesį, ir sutrumpino vidutinį aptarnavimo laiką nuo maždaug 12 minučių iki mažiau nei dviejų. „Klarna“ pranešė, kad diegimas sumažino aptarnavimo išlaidas 40% ir priskyrė šiam pokyčiui apie 40 mln. JAV dolerių pelno pagerėjimą.
Į ką atkreipti dėmesį: „Klarna“ skaičiai yra pačios įmonės pateikti ir plačiai cituojami būtent dėl to, kad jie neįprastai aukšti. Vėlesnės ataskaitos apie „Klarna“ aptarnavimo veiklą taip pat pažymėjo, kad įmonė kai kuriais atvejais grąžino dalį žmogiškojo aptarnavimo – tai priminimas, kad net ir labiausiai cituojama pokalbių roboto atvejo analizė nėra tiesus kelias į visišką automatizavimą.
2 atvejis: Globali brokerio įmonė, „M4Markets“ ir 80% didesnis įsitraukimas regionuose
Įmonė: „M4Markets“, kelių reguliuotojų veikiamas globalus brokeris, įsikūręs Mahė, Seišeliuose, turintis 51–200 darbuotojų, aptarnaujantis prekybininkus įvairiuose regionuose ir laiko juostose.
Problema: Didelis agentų darbo krūvis dėl rankinių procesų stabdė aptarnavimo komandą. Neturėdama centralizuotos sistemos, „M4Markets“ sunkiai išlaikė pastovią aptarnavimo kokybę visuose kanaluose, ypač prekybininkams, kuriems reikėjo pagalbos ne darbo valandomis.
Ką jie įdiegė: „M4Markets“ įdiegė „LiveAgent“ DI pokalbių robotą kartu su „LiveAgent“ bilietų sistema, automatizavimo taisyklėmis ir daugiakalbiu palaikymu – paleidimas įvyko per dvi savaites. Pokalbių robotas akimirksniu atsako į įprastus prekybininkų klausimus – nuo prisijungimo problemų iki depozito instrukcijų ir paskyros patvirtinimo – ir nuolat tobulina savo atsakymus pagal tai, ko prekybininkai iš tikrųjų klausia.
Ką jie išmatavo: „M4Markets“ pranešė apie 80% padidėjusį įsitraukimą tarptautiniuose regionuose po to, kai pridėjo daugiakalbį, 24/7 DI pagrįstą palaikymą, taip pat reikšmingai sutrumpėjo vidutinis atsakymo ir sprendimo laikas. Įprastinių pirmosios linijos klausimų automatizavimas leido agentams susitelkti ties sudėtingais atvejais, kuriems reikia žmogaus sprendimo.
Į ką atkreipti dėmesį: Tai yra pirmosios šalies „LiveAgent“ kliento istorija, o ne trečiosios šalies citata, kaip kiti penki atvejai, tad skaičiai yra tiesiogiai iš „LiveAgent“ pačios paskelbtos atvejo analizės , o ne iš nepriklausomo lyginamojo tyrimo. Verta perskaityti visą, jei norite išgirsti paties komercijos direktoriaus pasakojimą apie diegimą.
Pasiruošę kelti verslą į naują lygį?
Išbandykite LiveAgent nemokamai ir įsitikinkite patys.
3 atvejis: Sveikatos priežiūra, „Northwell Health“ perpus sumažino skambučių centro apimtį
Įmonė: „Northwell Health“, didžiausia Niujorko sveikatos priežiūros įstaiga, valdo skambučių centrus, kurie tvarko didelį pacientų susitikimų planavimo užklausų srautą savo ligoninių tinkle.
Ką jie įdiegė: DI pokalbių robotą, kuris tiesiogiai tvarko susitikimų užsakymą, perkėlimą ir atšaukimą, o ne nukreipia kiekvieną užklausą per skambučių centro agentą.
Ką jie išmatavo: „Northwell Health“ pranešė apie 50% sumažėjusią skambučių centro apimtį po diegimo, o darbuotojai galėjo susitelkti ties sudėtingesniais pacientų poreikiais, o ne įprastiniais tvarkaraščio pakeitimais.
Į ką atkreipti dėmesį: Pateiktas naudojimo atvejis sąmoningai išlieka siauras – susitikimų logistika, o ne klinikiniai klausimai – tai greičiausiai yra viena iš priežasčių, kodėl rezultatas išsilaikė. Sveikatos priežiūros diegimai, kurie nukrypsta į simptomų ar gydymo patarimus, susiduria su daug aukštesniais tikslumo ir atsakomybės reikalavimais.
4 atvejis: Finansinės paslaugos, „UnitedFCU“ „Finn“ ir reikalavimus atitinkantis automatizavimas
Įmonė: „UnitedFCU“, kredito unija, į savo internetinės bankininkystės ir mobiliąją programėlę įtraukė DI pokalbių robotą, pavadintą „Finn“.
Ką jie įdiegė: Pokalbių robotą, apribotą įprastinėmis, iš anksto patvirtintomis aptarnavimo užklausomis, tokiomis kaip balanso klausimai ir paskyros patarimai, o ne viskuo, kas reikalauja tapatybės patvirtinimo jautriems paskyros pakeitimams.
Ką jie išmatavo: „Finn“ apdoroja maždaug 80% skambučių priežasčių, kurias „UnitedFCU“ klasifikuoja kaip pagrindines aptarnavimo užklausas, taip sumažindamas, kaip dažnai šie įprastiniai klausimai reikalauja tiesioginio agento įsitraukimo.
Į ką atkreipti dėmesį: Finansinės institucijos čia susiduria su realiais reguliavimo apribojimais. Reguliatoriai aiškiai nurodė, kad vartotojų apsaugos įstatymams išimčių nėra vien todėl, kad pokalbio kitame gale yra pokalbių robotas, o ne žmogus. Įmonės, kurios mato švarius rezultatus, kaip „UnitedFCU“, linkusios apriboti pokalbių roboto taikymo sritį iki iš anksto patvirtintos informacijos, o viską, kas susiję su paskyra ar jautru, nukreipti žmogui agentui .
Prenumeruokite naujienlaiškį
Naujausi patarimai ir pasiūlymai tiesiai į jūsų pašto dėžutę.
5 atvejis: Mažmeninė prekyba, „Mister Spex“ aptarnavimas dešimtyje šalių
Įmonė: „Mister Spex“, didžiausias Europos internetinis akinių mažmenininkas, aptarnauja apie 7 mln. klientų dešimtyje šalių.
Ką jie įdiegė: Pokalbinį DI agentą, siaurai apribotą iki dviejų didžiausios apimties ir mažiausio sudėtingumo užklausų tipų: tapatybės patvirtinimo ir „kur mano užsakymas“ klausimų.
Ką jie išmatavo: Diegimas automatizavo 70% tapatybės patvirtinimo užklausų ir 52% užsakymo būsenos klausimų, sutaupydamas agentams mažiausiai 30 sekundžių vienam pokalbiui esant labai didelei kontaktų apimčiai.
Į ką atkreipti dėmesį: „Mister Spex“ rezultatas yra geras modelio, kuris pasikartoja keliose iš šių atvejų, pavyzdys: įmonės, kurios pradėjo nuo vieno ar dviejų siaurų, didelės apimties, mažo sudėtingumo užklausų tipų, pasiekė švaresnius rezultatus nei tos, kurios bandė aprėpti viską iš karto. Jei ieškote platformos, kurią būtų galima taip siaurai pritaikyti, mūsų vadovas apie geriausius DI pokalbių robotus jūsų verslui 2026 metais apžvelgia, kaip pagrindiniai variantai tvarko tokio tipo sąranką.
6 atvejis: B2B, „IBM“ vidinis „AskIT“ pagalbos stalas
Įmonė: „IBM“ sukūrė vidinį pokalbių robotą, pavadintą „AskIT“, skirtą savo darbuotojams – šiuo metu jis prieinamas daugiau nei 280 000 darbuotojų 40 kalbų.
Ką jie įdiegė: Pokalbių robotas, sukurtas naudojant „IBM watsonx Assistant“, apmokytas pagal maždaug 80% dažniausiai pasitaikančių IT problemų, įskaitant slaptažodžių nustatymą iš naujo ir prieigos užklausas.
Ką jie išmatavo: Per keturis mėnesius nuo paleidimo „AskIT“ naudojosi daugiau nei 133 000 darbuotojų, o robotas tiesiogiai išsprendė apie 75% pateiktų bilietų be perdavimo žmogui technikui.
Į ką atkreipti dėmesį: Tai viena iš nedaugelio pavadintų atvejų analizių čia, kuri visiškai orientuota į vidinį, darbuotojams skirtą, o ne klientų aptarnavimą. Tai naudingas priminimas, kad tie patys taikymo srities nustatymo principai (siauras naudojimo atvejis, aiškus perdavimo kelias) galioja tiek vidiniam pagalbos stalui, tiek klientams skirtam pokalbių robotui.
Pagrindinės įžvalgos iš visų 6 atvejų
Sudėkite visas šešias istorijas greta ir tos pačios pamokos nuolat kartojasi.
Pirma, būkite šiek tiek skeptiški dideliems skaičiams. „Klarna“ rezultatai cituojami visur, nes jie įspūdingi, tačiau realūs pramonės duomenys iš „Zendesk“ rodo, kad dauguma įmonių pasiekia arčiau 41%, o ne 70, 80 ar 90%, kuriuos matote pardavėjų rinkodaroje. Vertinkite bet kurią atskirą sėkmės istoriją kaip „tai, kas įmanoma“, o ne „to turėtumėte tikėtis“. Mūsų geriausių DI pokalbių robotų jūsų verslui 2026 metais apžvalga yra naudingas realybės patikrinimas, palyginti su pardavėjų teiginiais, nes joje lyginami realūs funkcijų rinkiniai, o ne antraštiniai skaičiai.
Antra, įmonės, kurioms sekėsi gerai, visos pradėjo nuo mažo. „Northwell Health“, „UnitedFCU“ ir „Mister Spex“ nebandė išmokyti savo pokalbių roboto visko nuo pirmos dienos. Jie pasirinko vieną ar du įprastus, paprastus klausimus, pavyzdžiui, susitikimų keitimą ar užsakymo patikrinimą, ir pirmiausia išmoko juos gerai atlikti. „M4Markets“ padarė tą patį: prisijungimai, depozitai ir paskyros patikros, o ne kiekvienas klausimas, kurį prekybininkas galėtų užduoti.
Ši „pradėk nuo mažo“ taisyklė dar svarbesnė tokiose pramonės šakose kaip sveikatos priežiūra ir bankininkystė. Abi šios įmonės visiškai atskyrė nuo roboto bet ką jautraus, asmeninio ar su paskyra susijusio ir perdavė tiesiai žmogui. Tai greičiausiai ir yra priežastis, kodėl reikalavimų laikymosi komandoms buvo priimtina duoti žalią šviesą.
Tai taikytina ne tik klientų aptarnavimui. „IBM“ sukūrė pokalbių robotą savo paties darbuotojams, o ne klientams, ir tos pačios taisyklės vis tiek galiojo: išlaikykite paprastai ir leiskite žmonėms kalbėtis su žmogumi, kai tai svarbu.
O pokalbių robotai, kurie iš tikrųjų gerai veikė, visi turėjo vieną bendrą dalyką: jie galėjo matyti realią informaciją – užsakymą, bilietą ar paskyrą – užuot tiesiog kartoję iš anksto paruoštą atsakymą. „M4Markets“ taip pat stipriai rėmėsi palaikymo teikimu skirtingomis kalbomis, o tai buvo didelė priežastis, kodėl daugiau žmonių iš skirtingų šalių iš tikrųjų pradėjo jį naudoti.
Jei svarstote, kuri iš šių pamokų tinka jūsų komandai, mūsų DI pokalbių roboto pirkimo vadovas gali padėti tai išspręsti. O jei jums patinka idėja pokalbių roboto, kuris iš tikrųjų žino jūsų klientų užsakymų ir bilietų informaciją, o ne spėlioja, „LiveAgent“ DI pokalbių robotą galima išbandyti nemokamai.
Išvada
Nė vienas iš šių šešių atvejų nėra šablonas, kurį galėtumėte tiksliai nukopijuoti, tačiau kartu jie rodo tą pačią kryptį: pasirinkite vieną ar du didelės apimties, mažo sudėtingumo klausimus, laikykite jautrias temas atokiai nuo roboto, suteikite jam realius duomenis, su kuriais dirbti, vietoj scenarijaus, ir vertinkite antraštinius skaičius kaip lubas, o ne vidurkį. Tai padarę, turite realią galimybę, kad pokalbių roboto diegimas primins „Mister Spex“ ar „M4Markets“, o netaps dar vienu apleistu bandomuoju projektu.
Jei norite pamatyti, kaip tai veikia su įrankiu, sukurtu remiantis bilietų ir užsakymų duomenimis, o ne atskiru scenarijumi, išbandykite „LiveAgent“ DI pokalbių robotą su nemokamu 30 dienų bandomuoju laikotarpiu arba užsakykite demonstraciją , kad pirmiausia aptartumėte savo naudojimo atvejį.
Šaltiniai
- „Klarna“ skaičiai: „Codiant“, „Top AI chatbot use cases for business“
- „M4Markets“ skaičiai: „LiveAgent“, „How M4Markets delivers AI-powered support“
- „Zendesk“ įmonių lyginamojo tyrimo skaičiai: „Digital Applied“, „AI customer support statistics 2026“
- „Northwell Health“ skaičiai: „Chatbase“, „How AI chatbots elevate patient care“
- „UnitedFCU“ / „Finn“ skaičiai: „The Bonadio Group“, „Practical applications of AI in financial services“
- „Mister Spex“ skaičiai: „Cognigy“, „Conversational AI in e-commerce“
- „IBM AskIT“ skaičiai: „Unity Connect“, „How AI chatbots streamline IT support“
